>我有一个以下格式的RDD,并希望将其转换为LabeledPoint RDD,以便在mllib中处理它:
Test: RDD[(Int, Seq[Double])] = Array((1,List(1.0,3.0,8.0),(2,List(3.0, 3.0,8.0),(1,List(2.0,3.0,7.0),(1,List(5.0,5.0,9.0))
我尝试使用地图
import org.apache.spark.mllib.linalg.{Vector, Vectors}
import org.apache.spark.mllib.regression.LabeledPoint
Test.map(x=> LabeledPoint(x._1, Vectors.sparse(x._2)))
但我收到此错误
mllib.linalg.Vector cannot be applied to (Seq[scala.Double])
所以大概需要先转换 Seq 元素,但我不知道是什么。
这里有几个问题:
- 标签应
Double
而不是Int
-
SparseVector
需要元素、索引和值的数量 - 没有一个向量构造函数接受
Double
列表 - 您的数据看起来密集而不是稀疏
一种可能的解决方案:
val rdd = sc.parallelize(Array(
(1, List(1.0,3.0,8.0)),
(2, List(3.0, 3.0,8.0)),
(1, List(2.0,3.0,7.0)),
(1, List(5.0,5.0,9.0))))
rdd.map { case (k, vs) =>
LabeledPoint(k.toDouble, Vectors.dense(vs.toArray))
}
另一个:
rdd.collect { case (k, v::vs) =>
LabeledPoint(k.toDouble, Vectors.dense(v, vs: _*)) }
正如你在 LabeledPoint 的文档中注意到的那样,它的构造函数接收一个Double
作为标签和一个 Vector 作为特征(DenseVector 或 SparseVector)。但是,如果你查看两个继承类的构造函数,它们会收到一个Array
,因此你需要将你的Seq
转换为Array
。
import org.apache.spark.mllib.linalg.{Vector, Vectors, DenseVector}
import org.apache.spark.mllib.regression.LabeledPoint
val rdd = sc.parallelize(Array((1, Seq(1.0,3.0,8.0)),
(2, Seq(3.0, 3.0,8.0)),
(1, Seq(2.0,3.0, 7.0)),
(1, Seq(5.0, 5.0, 9.0))))
val x = rdd.map{
case (a: Int, b:Seq[Double]) => LabeledPoint(a, new DenseVector(b.toArray))
}
x.take(2).foreach(println)
//(1.0,[1.0,3.0,8.0])
//(2.0,[3.0,3.0,8.0])